
Artículo científico
Datos
- Datos tomados del artículo referenciado previamente.
- Fuente de datos
- Nota: los análisis no arrojan exactamente los mismos resultados porque se tienen valores ausentes en algunas variables.
Lectura de datos
library(readxl)
library(tidyverse)
datos <- read_xlsx("../data/Data_Paper_Plos_One_Muscle.xlsx", skip = 3,
na = "N/A", n_max = 47) %>%
rename(RA_takeof_leg = RA...7,
OB_takeof_leg = OB...8,
PM_takeof_leg = PM...9,
QL_takeof_leg = QL...10,
ES_takeof_leg = ES...11,
Gmax_takeof_leg = Gmax...12,
Gmed_takeof_leg = Gmed...13,
IL_takeof_leg = IL...14,
RA_free_leg = RA...15,
OB_free_leg = OB...16,
PM_free_leg = PM...17,
QL_free_leg = QL...18,
ES_free_leg = ES...19,
Gmax_free_leg = Gmax...20,
Gmed_free_leg = Gmed...21,
IL_free_leg = IL...22,
id = ID,
edad = `Age (years)`,
altura_cm = `Height (cm)`,
imc = `Body mass (kg)`,
dist_salto_cm = `long jump distance (cm)`,
sprint_100m_seconds = `100-m sprint time (s)`,
grasa_subcut_cm2 = `Subcutaneous fat CSA (absolute value, cm2)`)
datos
Objetivos
- Replicar análisis estadísticos aplicados en el artículo científico de interés.
- Evidenciar la relación existente entre características anatómicas de atletas vs rendimiento en salto largo.
- Evaluar otros métodos de statistical learning y compararlos con los resultados obtenidos por los autores.
Resultados adicionales con R
Distribuciones
Gráficos cuantil cuantil
Shapiro Wilk
Se comprueba la normalidad de las variables (\(\alpha = 0.05\)), bajo el siguiente juego de hipótesis:
\[H_0: X \sim N(\mu, \sigma^2)\\
H1: x \nsim N(\mu, \sigma^2)\]
Comparativos
- Se comparan registros de cross-sectional area (CSA) de la pierna de despeque (takeoff) vs la pierna libre (free). Las variables (músculos) a comparar son las siguientes:
- RA: recto abdominal.
- OB: oblicuos internos y externos.
- PM: psoas mayor.
- QL: cuadrado lumbar.
- ES: erector spinae.
- Gmax: gluteo mayor.
- Gmed: gluteos medio y mínimo.
- IL: iliaco
Matriz de correlaciones
- Se construye la matriz de correlaciones.
- La variable que presente mayor correlación lineal con la longitud del salto, será tenida en cuenta para estructurar el modelo de regresión lineal simple (RLS). Con las demás variables se construye el modelo de regresión lineal múltiple (RLM).
- Para la construcción del modelo de RLM se comprueba la multicolinealidad de las variables y se proponen tres alternativas:
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